10.06-10.12 临床预测模型研究顶刊快报

THE LANCET  2025/10/06-2025/10/12

1.人工智能衍生的非小细胞肺癌纵向和多维 CT 分类器用于优化新辅助化学免疫治疗决策：一项多中心回顾性研究

AI-derived longitudinal and multi-dimensional CT classifier for non-small cell lung cancer to optimize neoadjuvant chemoimmunotherapy decision: a multicentre retrospective study

（1）背景：本文旨在解决非小细胞肺癌（NSCLC）新辅助化疗免疫治疗（NACI）中面临的个性化治疗决策难题。目前临床依赖的PD-L1检测和RECIST 1.1标准存在明显的局限性：PD-L1检测因组织采样偏差和程序复杂性导致准确性受限，而RECIST标准在评估临床反应时与病理学结果存在显著差异，无法有效捕捉治疗过程中肿瘤的动态时空异质性。为此，研究团队开发并验证了一个名为LC-NICER的、基于CT影像的人工智能系统。该系统的核心目的是通过整合纵向CT影像数据，并融合多维度特征——包括放射组学、深度学和栖息地成像——来构建一个非侵入性的预测工具，以期在治疗前识别可能受益于NACI的患者，并在术前准确评估肿瘤消退情况，从而为优化治疗策略和手术规划提供关键依据。

（2）解释：研究的结论表明，LC-NICER系统在预测NACI治疗反应方面表现出卓越且稳健的性能。经过多中心回顾性研究（共534名患者）的验证，其最终集成模型（LC-NICERδ）在训练集、内部验证集和外部测试集中的曲线下面积（AUC）分别达到0.950、0.889和0.870，显示出强大的泛化能力。更重要的是，该系统显著优于当前临床标准：在治疗前预测阶段，LC-NICERα模型的准确性（0.722）显著高于PD-L1检测（0.622）；在术前评估阶段，LC-NICERδ模型的准确性（0.831）也远优于基于RECIST标准的临床完全缓解评估（0.651）。此外，通过栖息地成像分析，研究成功识别出与治疗反应密切相关的关键肿瘤及瘤周亚区，并提供了直观的可视化工具，增强了模型的可解释性和临床实用性。因此，LC-NICER作为一种非侵入性的AI工具，为推进NSCLC的精准 oncology 建立了新范式，有望在未来指导个性化治疗、加速适应性临床试验，并最终减少对侵入性诊断程序的依赖。

2.使用病理图像分析方法进行人工智能辅助诊断肾小球肾炎：一项多中心模型开发和验证研究

Artificial intelligence-assisted diagnosis of glomerular nephritis using a pathological image analysis approach: a multicentre model development and validation study

（1）背景：本文旨在开发并验证一种基于人工智能（AI）的辅助诊断模型，用于通过肾脏活检的数字组织学图像自动诊断肾小球肾炎（GN）。研究背景在于当前GN诊断依赖病理学家手动分析肾活检图像，这一过程主观性强、劳动密集，且存在观察者间变异性，导致诊断效率低下和可重复性不足。文章提出一个多中心研究框架，集成肾小球分割、病变分类和全幻灯片图像（WSI）级诊断，以解决这些挑战。具体目标包括：利用光镜图像开发一个统一模型，能够准确识别四种常见GN类型（IgA肾病、膜性肾病、局灶节段性肾小球硬化症和微小病变病），并通过内部和外部验证队列评估模型性能，最终为病理学家提供自动化工具，以减少工作量、提高诊断一致性和速度。

（2）解释：文章结论表明，所开发的AI辅助诊断模型在多个独立验证队列中表现出强大的性能，能够有效自动化诊断肾小球肾炎。模型基于大量光镜图像（共106,988个肾小球）训练，在外部验证队列中实现了高F1分数（队列I为83.86%，队列II为85.45%）、精度和召回率，尤其对膜性肾病的诊断F1分数超过97%。此外，探索性分析显示，结合免疫荧光（IF）信息可进一步提升模型性能，例如在四分类任务中F1分数达到91.00%。模型通过肾小球分割网络（GloSNet）和特征融合算法，成功整合了病变特征，减少了诊断变异，并具有潜力辅助病理学家提高工作效率和准确性。然而，研究局限性包括模型仅针对中国人群和四种GN亚型开发、依赖单一染色方法以及模型可解释性不足，未来需扩展至更多人群和疾病类型。

3.三阴性乳腺癌识别和预后预测的人工智能系统的开发和验证：一项多中心回顾性研究

Development and validation of an artificial intelligence system for triple-negative breast cancer identification and prognosis prediction: a multicentre retrospective study

（1）背景：本文旨在开发并验证一个名为TRIP的人工智能系统，用于通过常规H&E染色病理图像自动识别三阴性乳腺癌（TNBC）并预测其预后，以解决当前依赖免疫组化（IHC）的诊断方法耗时、成本高的问题，并改善基于传统临床病理特征的预后分层不足。研究采用多中心回顾性设计，从中国多个三级医院收集大量乳腺癌患者数据，开发端到端的深度学习模型，整合病理基础模型（GPFM）和双向Mamba编码器，以提升TNBC识别和生存预测的准确性、可解释性及泛化能力。

（2）解释：研究结论显示，TRIP系统在内部验证队列中TNBC识别的AUC达0.980，预后预测的C-index为0.747（无病生存）和0.744（总生存），在外部队列中同样表现优异（AUCs为0.860-0.936），并通过注意力热图揭示了TNBC的关键组织学特征，如核异型性、坏死和免疫冷微环境，与多组学分析一致，识别出三种分子亚型，支持其预后准确性。

4.优化机器学习用于医疗保健中事件发生时间预测，应用于 ALS 胃造口术时机：一项多中心、回顾性模型开发和验证研究

Optimised machine learning for time-to-event prediction in healthcare applied to timing of gastrostomy in ALS: a multi-centre, retrospective model development and validation study

（1）背景：开发一个优化的机器学习模型，用于预测肌萎缩侧索硬化（ALS）患者从诊断到需要胃造口术的精确时间，其中胃造口术的需求以体重下降5%为客观指标。研究旨在通过系统比较超过5000种预测模型配，利用贝叶斯框架进行超参数调优以避免过拟合，从而选择最优模型。此外，文章还致力于创建一个可访问的临床工具，即“predicTTE”应用和在线平台，使非专业用户能够在数据安全的环境中使用模型进行预测，并贡献新数据以持续改进模型。研究基于多中心回顾性数据（训练集来自欧洲3000名患者），并强调在真实临床场景中实现个体化医疗决策，以解决当前胃造口术时机不确定导致的预后问题。

（2）解释：最优模型（逻辑风险深度学习模型）在内部交叉验证和外部独立队列验证中表现出稳定且高精度的预测性能，中位绝对误差（MAE）为3.7个月，在结合六个月后的纵向体重数据后，MAE降至2.6个月，而对于最常见患者群体，MAE进一步优化至1.2个月。模型在12个月胃造口术需求的AUROC达到0.75，纵向模型提升至0.86，且性能在来自不同人群和临床背景的外部验证队列（美国n=299；瑞典n=215）中保持一致，证实了其泛化能力。通过随机森林模型（MissForest）有效插补缺失数据，模型鲁棒性增强，且协变量分析显示深度学习模型能捕捉非线性交互作用，优于传统样条模型。这些发现表明，该预测工具可用于指导ALS患者的个体化胃造口术决策，但前瞻性研究仍是进入常规临床实践的必要步骤。